Universität zu Köln

Rehr, Lutz (2024). Multiparametrisches maschinelles Lernen für die Detektion und die Nachverfolgung von Glioblastomen in klinischen Bilddaten der Magnet-Resonanz-Tomographie. PhD thesis, Universität zu Köln.

PDF Dissertation KUPS.pdf Download (20MB)

Abstract

Diese Arbeit befasst sich mit dem Training eines Deep Learning Algorithmus für die Detektion und die Nachverfolgung von Glioblastomen in klinischen Bilddaten der Magnet-Resonanz- Tomographie (MRT). Das Glioblastom ist der häufigste und gleichzeitig aggressivste Hirntumor des Menschen. Für Diagnostik und Follow-Up wird das MRT genutzt. Aktuell erfolgt die Progressionsbeurteilung mittels 2-dimensionaler Vermessung des Kontrastmittel (KM) anreichernden Tumoranteils nach den Mac-Donald- bzw. RANO-Kriterien sowie den Flair Hyperintensen Anteilen. Das Glioblastom wächst in sehr irregulären Strukturen. Irreguläre Strukturen sind mit 2- dimensionaler Vermessung nicht optimal zu erfassen. Die manuelle Volumetrie gilt als Goldstandard bei der Auswertung. Im klinischen Alltag ist dies zu aufwendig und nicht sinnvoll durchführbar. Die automatische Segmentierung erlaubt eine Implementierung des Goldstandards in den klinischen Workflow. Technische Lösungen zur automatischen Segmentierung verzeichnen in den letzten Jahren große Fortschritte. Deep Learning Modell basierte Algorithmen, wie der in dieser Arbeit genutzte DeepMedic Algorithmus, können dabei sehr vielversprechende Resultate erzielen. Zum Vergleich und zur Evaluation wird seit 2012 die BRATS-Challenge durchgeführt. Der DeepMedic Algorithmus besteht aus einem Konvolutionalen Neuronalen Netzwerk, gefolgt von einem Conditional Random Field zur Segmentierung der Tumorbestandteile. Das Training des Algorithmus erfolgte nach dem Prinzip des Transfer Learning, initial mit den Segmentierungen der BRATS-Challenge 2015 sowie Glioblastomen vor und nach Operationen. Im Zuge dieser Arbeit wurden die Parameter des Algorithmus mit den manuellen Annotierungen der Tumorkomponenten des Glioblastoms im Follow-Up angepasst. Die Tumorkomponenten KM anreichernder Tumoranteil, Tumorhöhle und Nekrose sowie das Perifokalödem inklusive des infiltrierenden nicht KM anreichernden Tumoranteils wurden in routinemäßig erhobenen MRT-Sequenzen annotiert. Das Training erfolgte nach der 5-Fold Cross-Validation Methode. Zur Validierung des Trainingserfolgs und Beurteilung der Segmentierungsqualität des Algorithmus wurden die automatischen Segmentierungen mit den manuellen Annotierungen verglichen, die Volumina mittels Pearson Korrelationskoeffizient (r) und die Überlagerung mittels Dice Similarity Coefficient (DSC). Der KM anreichernde Tumoranteil wurde mit r 0,76 und einem durchschnittlichen DSC von 0,5 segmentiert, das Perifokalödem mit r 0,93 und einem DSC von 0,64, die Tumorhöhle und Nekrose mit r 0,94 und einem DSC von 0,67. Die aktuellen Bewertungskriterien legen einen Schwellenwert von 10mm für die Messstrecken des KM anreichernden Tumoranteils zugrunde. Bei einem Schwellenwert von 3cm3 für den KM anreichernden Tumoranteil verbesserte sich der durchschnittliche DSC auf 0,66. Die Resultate dieser Arbeit zeigen, dass eine Nachverfolgung des Glioblastoms im Follow-UP mittels automatischer Segmentierung möglich ist. Der genutzte Algorithmus segmentierte vollautomatisch und zuverlässig die Tumorbestandteile. Die Schwierigkeit der automatischen Segmentierung lag bei tumorfreien MRT-Bildern oder geringen Volumen der Kontrastmittelanreicherung. Damit die automatische Segmentierung im klinischen Alltag implementiert werden kann, bedarf es weiterem Training des Algorithmus, auch im Umgang mit tumorfreien Daten und Daten anderer Tumore. Neben der Segmentierungsqualität ist auch die Aussagekraft der segmentierten Volumina im klinischen Alltag entscheidend. Volumetrische Daten sollten evaluiert und in den Kriterien zur Progressionsbeurteilung integriert werden.

Item Type:	Thesis (PhD thesis)
Creators:	Creators Email ORCID ORCID Put Code Rehr, Lutz lutz.rehr@web.de UNSPECIFIED UNSPECIFIED
URN:	urn:nbn:de:hbz:38-746939
Date:	2024
Language:	German
Faculty:	Faculty of Medicine
Divisions:	Faculty of Medicine > Radiologische Diagnostik
Subjects:	Medical sciences Medicine
Uncontrolled Keywords:	Keywords Language Glioblastom German Segmentierung German Hirntumor German
Date of oral exam:	29 October 2024
Referee:	Name Academic Title Schlamann, Marc Prof. Dr. Hampl, Jürgen Prof. Dr.
Refereed:	Yes
URI:	http://kups.ub.uni-koeln.de/id/eprint/74693